Pada akhir 1920-an, sebuah pabrik milik Western Electric di Hawthorne, Illinois, menjadi lokasi salah satu studi HRM paling terkenal sepanjang sejarah. Elton Mayo dan timnya dari Harvard ingin menguji satu hal sederhana: apakah peningkatan pencahayaan ruangan akan meningkatkan produktivitas pekerja perakit telepon? Lampu dinaikkan intensitasnya, produktivitas naik. Lampu diturunkan, produktivitas tetap naik. Bahkan ketika lampu dibiarkan redup, produktivitas tidak juga turun.
Para peneliti bingung. Korelasi antara pencahayaan dan produktivitas yang mereka cari ternyata kacau. Belakangan, mereka menyadari satu hal: bukan lampu yang menyebabkan produktivitas naik, melainkan fakta bahwa para pekerja merasa diperhatikan. Fenomena ini kemudian dikenal sebagai Hawthorne Effect. Variabel yang sebenarnya bekerja adalah perhatian dan pengawasan, bukan pencahayaan.
Andai Mayo dan timnya berhenti pada uji statistik awal dan langsung menyimpulkan “pencahayaan meningkatkan produktivitas”, rekomendasi mereka kepada manajemen Western Electric akan keliru. Investasi besar untuk meningkatkan pencahayaan di seluruh pabrik akan terbuang. Untungnya, mereka jeli menangkap anomali dan menggali lebih dalam.
Kasus Hawthorne menggambarkan satu kesalahan paling tua dalam sejarah riset: mengira korelasi sebagai kausalitas. Sayangnya, hampir seabad kemudian, kesalahan serupa masih sering muncul dalam riset Manajemen SDM, bahkan di skripsi, tesis, dan paper yang sudah terbit di jurnal terindeks.
Apa Bedanya Korelasi dan Kausalitas?
Korelasi adalah hubungan statistik antara dua variabel. Ketika satu variabel naik, variabel lain ikut naik (korelasi positif) atau justru turun (korelasi negatif). Korelasi hanya menunjukkan bahwa dua variabel bergerak bersama, tanpa mengatakan apa-apa tentang sebab-akibat.
Kausalitas lebih kuat. Kausalitas mengatakan bahwa perubahan pada satu variabel benar-benar menyebabkan perubahan pada variabel lain. Ada arah yang jelas: A menyebabkan B, bukan sebaliknya, dan bukan karena faktor lain.
Cook dan Campbell (1979) dalam karya monumental Quasi-Experimentation: Design and Analysis Issues for Field Settings menetapkan tiga syarat klasik untuk klaim kausalitas. Pertama, ada hubungan empiris antara A dan B (kovariasi). Kedua, A terjadi sebelum B secara temporal (presedensi waktu). Ketiga, tidak ada penjelasan alternatif yang lebih masuk akal untuk hubungan tersebut (eliminasi confounding variables).
Tiga syarat ini mudah diucapkan, tetapi sulit dipenuhi dalam praktik riset lapangan. Inilah mengapa banyak peneliti tergelincir.
Mengapa Kesalahan Ini Sering Terjadi di Riset HRM?
Riset HRM banyak menggunakan desain cross-sectional dengan kuesioner. Data dikumpulkan satu kali, lalu dianalisis menggunakan regresi atau Structural Equation Modeling (SEM). Hasilnya berupa koefisien jalur yang menunjukkan hubungan antar variabel. Sayangnya, banyak peneliti langsung menyimpulkan bahwa “kepemimpinan transformasional berpengaruh terhadap kinerja karyawan” hanya berdasarkan koefisien yang signifikan.
Padahal, desain cross-sectional hanya bisa menunjukkan asosiasi, bukan kausalitas. Antonakis dkk. (2010) dalam artikel berpengaruh di The Leadership Quarterly berjudul “On Making Causal Claims: A Review and Recommendations” mengingatkan bahwa klaim kausal dari data cross-sectional tanpa kontrol metodologis yang ketat adalah kesalahan inferensial yang serius.
Stone-Romero dan Rosopa (2008) juga menegaskan hal serupa dalam Organizational Research Methods. Mereka menyebut bahwa banyak studi HRM membuat klaim kausal yang melampaui apa yang sebenarnya didukung oleh desain riset mereka.
Tiga Skenario Salah Tafsir di Riset HRM
Pertama, kausalitas terbalik (reverse causality). Sebuah studi menemukan bahwa kepuasan kerja berkorelasi positif dengan kinerja karyawan. Peneliti menyimpulkan: kepuasan kerja meningkatkan kinerja. Tetapi mungkinkah sebaliknya? Karyawan yang berkinerja baik mendapat pengakuan dan reward, lalu menjadi lebih puas? Riset Judge dkk. (2001) yang meta-analisis hubungan kepuasan kerja-kinerja menyimpulkan bahwa arah hubungan ini sebenarnya bisa dua arah, dan dalam beberapa konteks justru kinerja yang mendahului kepuasan.
Kedua, variabel ketiga (confounding variable). Studi menunjukkan korelasi positif antara pelatihan karyawan dan retensi karyawan. Kesimpulan cepat: pelatihan menurunkan turnover. Tetapi tunggu dulu. Bisa jadi perusahaan dengan budaya organisasi yang kuat cenderung memberikan lebih banyak pelatihan sekaligus memiliki tingkat retensi yang tinggi. Budaya organisasi adalah variabel ketiga yang menjelaskan keduanya. Tanpa mengontrol budaya organisasi, klaim bahwa pelatihan menyebabkan retensi menjadi rapuh.
Ketiga, kebetulan statistik (spurious correlation). Tyler Vigen dalam buku Spurious Correlations (2015) mengumpulkan ratusan korelasi statistik yang signifikan tetapi sama sekali tidak bermakna: konsumsi keju mozarella berkorelasi dengan jumlah doktor teknik sipil di AS, misalnya. Dalam riset HRM, kebetulan statistik bisa muncul ketika sampel kecil atau ketika peneliti melakukan banyak uji tanpa koreksi statistik (multiple testing problem).
Bagaimana Cara Membuat Klaim Kausal yang Lebih Kuat?
Pearl dan Mackenzie (2018) dalam The Book of Why menjelaskan bahwa revolusi kausalitas modern menyediakan beberapa pendekatan untuk memperkuat klaim sebab-akibat.
Pertama, desain eksperimen atau eksperimen kuasi. Random assignment ke kelompok perlakuan dan kontrol adalah gold standard untuk klaim kausal. Dalam HRM, ini bisa dilakukan dengan studi intervensi pelatihan: separuh karyawan dipilih acak untuk mengikuti program coaching, separuhnya tidak. Setelah enam bulan, kinerja kedua kelompok dibandingkan. Memang sulit dilakukan di lingkungan organisasi nyata karena alasan etis dan praktis, tetapi inilah desain paling kuat.
Kedua, studi longitudinal. Mengukur variabel pada beberapa titik waktu memungkinkan peneliti melihat presedensi temporal. Apakah peningkatan engagement di T1 benar-benar diikuti peningkatan kinerja di T2? Atau justru sebaliknya? Riset Bakker dan Demerouti (2017) tentang Job Demands-Resources Model banyak menggunakan desain longitudinal untuk memperkuat klaim kausal mereka.
Ketiga, kontrol variabel ketiga melalui regresi berlapis atau SEM dengan variabel kontrol. Memasukkan variabel-variabel yang berpotensi menjadi confounder (usia, masa kerja, ukuran organisasi, sektor industri) dapat memperkuat inferensi. Meskipun begitu, ini hanya bisa mengontrol variabel yang diukur. Variabel yang tidak terukur tetap menjadi ancaman.
Keempat, pendekatan instrumental variable atau analisis kausal modern seperti propensity score matching dan difference-in-differences. Pendekatan ini banyak digunakan dalam ekonomi tenaga kerja dan mulai diadopsi dalam riset HRM kontemporer. Angrist dan Pischke (2009) dalam Mostly Harmless Econometrics memberikan panduan teknis yang dapat diakses untuk metode-metode ini.
Pelajaran untuk Peneliti dan Mahasiswa
Bagi peneliti dan mahasiswa HRM, ada beberapa hal yang perlu diingat. Pertama, jujur dengan keterbatasan desain riset. Jika desain Anda cross-sectional, gunakan bahasa yang hati-hati: “berhubungan dengan”, “berasosiasi dengan”, “memprediksi”, bukan “menyebabkan” atau “berdampak pada”. Reviewer jurnal yang baik akan menangkap perbedaan ini.
Kedua, baca bagian limitasi penelitian terdahulu sebelum menulis kesimpulan. Banyak peneliti senior secara eksplisit mengakui bahwa hasil mereka tidak mendukung klaim kausal. Mengikuti kerendahan hati metodologis ini justru memperkuat kredibilitas riset.
Ketiga, pertimbangkan desain riset yang lebih kuat sejak awal. Studi longitudinal sederhana dengan dua titik waktu (T1 dan T2 berjarak tiga atau enam bulan) sudah jauh lebih baik daripada cross-sectional murni. Tidak harus eksperimen mahal, cukup desain yang memungkinkan inferensi yang lebih kuat.
Keempat, gunakan teori untuk membantu inferensi kausal. Hill (1965) dalam tulisan klasiknya tentang kriteria kausalitas mengingatkan bahwa plausibilitas teoretis adalah salah satu pertimbangan penting. Hubungan yang didukung teori yang kuat lebih mungkin bersifat kausal dibanding hubungan yang muncul dari data mining tanpa landasan teoretis.
Korelasi dan kausalitas adalah dua hal yang berbeda. Mengira keduanya sama adalah kesalahan klasik yang sudah dibahas sejak David Hume di abad ke-18, tetapi terus berulang hingga hari ini. Dalam riset HRM, kesalahan ini bisa berdampak serius: rekomendasi kebijakan yang keliru, intervensi yang tidak efektif, hingga investasi sumber daya yang sia-sia.